요즘 한 가지 실험을 이어가고 있습니다. Claude Cowork에서 문서를 만들고, Codex에서 코드와 파일을 다루고, VPS의 Hermes Agent에는 반복 작업을 맡깁니다. 서로 다른 도구가 만든 결과는 옵시디언(Obsidian)으로 돌아옵니다.
처음에는 결과물을 모으기 위한 선택이었습니다. 작업이 쌓이면서 역할이 달라졌습니다. 옵시디언은 작성한 글을 보관하는 곳에서, AI가 이전 작업을 읽고 다음 일을 이어가는 장기 기억으로 바뀌고 있습니다.
이 글에서는 AI 에이전트가 대화 밖의 기록을 왜 필요로 하는지, 그리고 옵시디언을 사람이 읽고 AI가 함께 쓰는 외부 기억으로 운영하려면 무엇을 남기고 어떻게 관리해야 하는지 정리합니다.
에이전트가 오래 일하려면 대화 밖에 기억을 남겨야 합니다
AI 에이전트는 한 세션 안에서는 많은 일을 처리합니다. 세션이 바뀌면 이전 판단과 진행 상태가 끊어집니다.
Anthropic 연구진은 장시간 작업 에이전트의 문제를 교대 근무에 비유했습니다. 새로 들어온 작업자가 앞선 사람이 무엇을 했는지 모르는 상태와 같다는 설명입니다. 이들은 진행 기록 파일, 기능 목록, Git 이력을 남겨 다음 세션이 작업 상태를 읽도록 설계했습니다. 에이전트의 연속성은 긴 대화창보다 외부에 남긴 작업 기록에서 만들어집니다.[1]
MemGPT 연구진도 제한된 컨텍스트 창을 보완하려면 여러 단계의 기억을 관리해야 한다고 설명합니다. 모델이 지금 읽는 정보와 장기간 보관할 정보를 나누고, 필요한 기억을 다시 불러오는 구조입니다.[2]
옵시디언에는 결과보다 작업의 맥락이 남아야 합니다
장기 기억을 만든다고 모든 대화를 저장할 필요는 없습니다. 대화 전체를 쌓으면 자료는 늘지만 다음 작업에서 무엇을 읽어야 할지 찾기 어려워집니다. 남겨야 할 것은 다시 판단하고 이어서 일하는 데 필요한 기록입니다.
| 기억의 종류 | 옵시디언에 남길 내용 |
|---|---|
| 지식 기억 | 검증한 자료, 개념, 출처, 서로 다른 의견 |
| 작업 기억 | 지금 하는 일, 완료한 단계, 다음 작업 |
| 절차 기억 | 글쓰기 기준, 파일 규칙, 반복 작업 순서 |
| 판단 기억 | 무엇을 선택했고 왜 그렇게 결정했는지 |
| 이력 기억 | 수정 내용, 실패 원인, 검토 결과 |
이 다섯 가지가 남으면 Cowork가 시작한 리서치를 Hermes Agent가 정리하고, Codex가 자동화 도구로 연결합니다. AI가 달라도 같은 마크다운 파일을 읽기 때문에 작업은 처음으로 돌아가지 않습니다. AI 도구를 고르는 일에서 쌓아서 만드는 일로 옮겨가는 변화도 결국 이 기록의 위치와 쓰임을 다시 묻는 일입니다.
장기 기억은 많이 저장한 대화가 아니라, 다음 작업자가 다시 읽고 판단할 수 있게 남긴 기록에서 만들어집니다.
왜 옵시디언은 AI 에이전트와 잘 맞는가
옵시디언 CEO 스테프 앙고(Steph Ango)는 오래 남길 디지털 기록은 사용자가 통제하고 다시 읽기 쉬운 파일이어야 한다고 말합니다. 앱은 사라져도 파일은 남는다는 ‘파일이 앱보다 먼저’라는 원칙입니다.[3]
옵시디언은 로컬 마크다운을 사용합니다. 에이전트는 별도의 전용 데이터베이스 없이 파일을 검색하고 수정하며, 위키링크와 문서 속성으로 자료의 관계와 상태를 읽습니다. 사람도 같은 파일을 열어 출처와 AI의 수정 내용을 확인합니다. 사람의 지식관리 화면과 에이전트의 작업 파일이 분리되지 않는 구조가 옵시디언을 선택하는 이유입니다.
앤드레이 카파시(Andrej Karpathy)의 LLM Wiki는 이 구조를 원본, 위키, 작업 규칙으로 나눕니다. 그는 “Obsidian is the IDE; the LLM is the programmer; the wiki is the codebase.”라고 설명합니다.[4] LLM은 새 자료를 기존 페이지에 연결하고, 충돌을 표시하며, 다시 쓸 가치가 있는 답변을 위키에 남깁니다.
사람은 기억의 권한과 공개 범위를 정합니다
국내 전문가들의 전망도 같은 방향을 가리킵니다. 다만 이들이 옵시디언 자체를 권한 것은 아닙니다. AI가 일을 대신할수록 사람에게 남는 역할과 통제 기준을 설명했고, 옵시디언은 그 기준을 파일로 구현하는 방법입니다.
김상균 경희대 교수는 AI 시대의 핵심을 기존 일을 지키는 문제가 아니라 자신의 역할을 다시 정의하는 문제로 봅니다. AI가 줄인 시간으로 무엇을 새로 설계했는지가 경쟁력을 가른다는 판단입니다. 그는 사람들이 AI에 어디까지 맡겼는지조차 모르는 상태를 경계하며, 판단과 실행 권한의 범위를 먼저 정해야 한다고 말합니다.[5]
이경전 경희대 교수는 개인이 자신의 일을 대신 수행하는 에이전트를 직접 만들어보라고 제안합니다. AI를 한 번 쓰는 도구가 아니라 역량을 확장하는 시스템으로 보라는 의미입니다. 일을 대신 맡길수록 고객 가치와 수익 구조를 사람이 정해야 한다는 조건도 붙습니다.[6]
두 의견을 옵시디언에 적용하면 역할이 나뉩니다. AI는 자료를 읽고 정리하고 연결합니다. 사람은 무엇을 보존할지, 어떤 판단을 승인할지, 무엇을 외부에 공개할지 정합니다.
장기 기억은 저장보다 관리에서 갈립니다
옵시디언을 장기 기억으로 쓰려면 폴더를 많이 만드는 것보다 기록의 역할을 나눠야 합니다. 원본은 수정하지 않는 raw, 검증한 지식은 wiki, 현재 상태는 projects, 작업 규칙은 CLAUDE.md나 AGENTS.md, 변경 이력은 log에 둡니다.
운영 기준도 필요합니다. AI가 만든 내용에는 작성 주체와 출처를 남깁니다. 개인정보와 계약 자료는 에이전트가 읽는 볼트에서 분리합니다. 삭제·외부 발송·공개는 사람의 승인을 거칩니다. 오래된 통계와 충돌하는 노트는 정기적으로 점검합니다. 원본, AI가 정리한 지식, 사람의 최종 판단이 섞이지 않아야 잘못된 기억이 다음 작업으로 번지지 않습니다.
앞으로 AI 에이전트의 성능은 계속 달라질 것입니다. 그러나 모델을 바꿀 때마다 지식과 작업 기준까지 다시 만들 필요는 없습니다. 도구 밖에 남긴 파일, 작업 상태, 판단 이유, 반복 절차가 있다면 새 에이전트도 같은 흐름에 들어옵니다.
옵시디언의 역할은 모든 것을 저장하는 창고가 아닙니다. 다음 작업자가 사람이어도 AI여도, 어디에서 이어서 일해야 하는지 알게 만드는 기록 체계입니다. AI 시대의 장기 기억은 많이 모은 자료가 아니라, 다시 읽고 판단하고 이어서 쓸 수 있는 기록에서 만들어집니다.
참고 자료
- Anthropic, *Effective harnesses for long-running agents*
- Charles Packer et al., *MemGPT: Towards LLMs as Operating Systems*
- Steph Ango, *File over app*
- Andrej Karpathy, *LLM Wiki*
- 김상균, 「AI 시대 핵심은 내 역할을 재정의하는 것」
- 이경전, 「생성형 AI는 시작일 뿐…에이전트가 산업 질서 흔든다」
함께 보면 좋은 자료
참고자료
- Anthropic의 장시간 에이전트 작업 설계 — 세션이 바뀌어도 다음 작업이 현재 상태를 읽도록 기록을 남기는 방법을 다룹니다.
함께 읽으면 좋은 글
- 코워크 이후, 작업은 어디로 옮겨가고 있는가 — 대화창과 폴더 작업을 넘어 반복·검증을 맡기는 에이전트 환경으로 작업의 중심이 옮겨가는 흐름을 다룹니다.
- 메모는 내가, 정리는 AI가 — 클로드 코워크와 옵시디언을 함께 쓰는 이유 — 로컬 마크다운을 사람이 읽고 AI가 직접 다루는 작업 공간으로 쓰는 조건을 설명합니다.
강의 추천
- 옵시디언 + 코워크(초급+) — 내 AI 작업 환경 구축 — 흩어진 자료와 AI 작업을 하나의 로컬 작업 환경으로 연결하는 과정을 실습합니다.
책 추천
- WORK: 오늘부터 실패하지 않게 일하는 법 — AI 도구를 도입하기 전에 하루의 우선순위와 일의 범위를 먼저 설계하려는 독자에게 연결되는 책입니다.
